基于模型的单幅高分辨SAR图像建筑物高度反演方法

高分辨合成孔径雷达(SAR)图像的丰富使得建筑物三维信息获取成为城区遥感的一项重要研究课题.针对单幅SAR图像建筑物的高度估计问题,提出了一种基于模型的高度反演方法.该方法遵循假设检验的思路,通过正交投影模型实现模型假设的快速生成,并设计了基于分割的似然函数,利用模拟退火算法在高维模型假设空间中搜索最优解.基于模拟和实测机载SAR图像的实验验证了算法的有效性.     

单幅高分辨率SAR图像建筑物三维模型重构

提出了一种利用高分辨率SAR图像进行建筑物提取和三维重构的方法.首先,分析了高分辨率SAR图像建筑物产生的电磁散射的类型,给出了不同类型散射区域的后向散射计算方法,并在此基础上给出了一种利用建筑物三维CAD模型进行SAR建筑物特征区域图像仿真的方法;其次,给出了利用建筑物的二次散射结构确定建筑物底部轮廓位置和方向的方法,并提出了一种基于分布密度函数差异的仿真图像迭代匹配方法,进行建筑物高度的反演.仿真SAR图像后向散射系数用来划分建筑物不同的散射区域,通过计算特征区域之间的分布密度函数差异,以取得最大匹配度值的仿真图像对应的检验高度作为建筑物的反演高度;最后,选用了两幅不同屋顶类型的实际机载高分辨率SAR图像进行建筑物提取和三维重构实验,试验结果较为理想,验证了所提方法的可行性和有效性.     

基于阴影检测的单幅高分辨SAR图像动目标检测方法

本文根据合成孔径雷达(SAR)运动目标的成像特点,提出了一种基于单幅高分辨率SAR图像的动目标检测方法。运动目标所成SAR图像是散焦的,同时偏离其真实位置,并在其真实位置处留下与目标大小近似的"阴影"区域。通过该阴影区域来实现运动目标的检测,没有盲速的限制,这种独立于回波的检测方法,使检测过程简单化。再结合道路辅助信息,可以完成运动目标的检测,精确定位以及参数的估计。     

基于高分辨率SAR图像的建筑物高度提取

分析了高分辨率SAR图像中建筑物的成像特征:叠掩及角反射器效应,获取了SAR图像中建筑物屋顶像点位移,最后根据相应的公式计算了建筑物的高度。与实际高度数据相比较,发现计算结果精度较高,是一种可行的建筑物高度获取方法,可为以后发射的高分辨率星载SAR图像的应用提供很好的借鉴。     

基于相关邻域模型的SAR图像非线性迭代滤波方法

提出一种基于相关邻域模型可抑制误差积累的SAR图像非线性迭代滤波方法。该方法将图像划分为均匀、非均匀及孤立的强散射点三种区域,对均匀区域采用局域平均的方法进行滤波,对非均匀区域采用基于相关邻域模型的最大后验概率估计进行滤波,对孤立的强散射点则保留其原值不变。为了进一步抑制噪声同时保留图像的细节信息,本文采用了可抑制误差积累的非线性迭代滤波方法。仿真实验证明该方法在有效抑制斑点噪声的同时能够很好的保留图像的细节信息。     

SAR图像滤波的迭代方法

对合成孔径雷达图像迭代滤波处理的效果及其问题进行了分析，并结合统计滤波方法和小波分析方法，提出了一种基于细节补偿的MAP（BDC MAP）迭代滤波算法。实验结果表明，新的迭代滤波算法较好地解决了去噪和细节保留之间的矛盾，而且算法稳定，收敛很好。     

基于SAR图像的快速景象匹配方法

景象匹配制导作为复合制导中的一种重要制导方式,其要求匹配算法在保证匹配时间短的同时具有较高的匹配精度。针对这一问题,提出了一种归一化互相关与改进的部分 Hausdorff距离复合的景象匹配算法。为了降低匹配时间,该算法选取图像边缘为特征空间,采用小波变换将原始图像分解为一系列维数较小的子图像,进而在子图像上逐层进行匹配;同时为了提高匹配精度,在子图像上采用归一化互相关算法进行粗匹配,然后在原图上粗匹配点的邻域内利用改进的部分 Hausdorff距离完成精匹配,获得精确的匹配位置。仿真结果表明,与传统算法相比,该算法具有较短的匹配时间与较高的匹配精度。     

基于SAR图像的快速景象匹配方法

景象匹配制导作为复合制导中的一种重要制导方式,其要求匹配算法在保证匹配时间短的同时具有较高的匹配精度。针对这一问题,提出了一种归一化互相关与改进的部分Hausdorff距离复合的景象匹配算法。为了降低匹配时间,该算法选取图像边缘为特征空间,采用小波变换将原始图像分解为一系列维数较小的子图像,进而在子图像上逐层进行匹配;同时为了提高匹配精度,在子图像上采用归一化互相关算法进行粗匹配,然后在原图上粗匹配点的邻域内利用改进的部分Hausdorff距离完成精匹配,获得精确的匹配位置。仿真结果表明,与传统算法相比,该算法具有较短的匹配时间与较高的匹配精度。     

基于区间估计的快速单幅图像去雾方法

单幅图像去雾是一个病态反问题。为了解决这个问题,对于大气光强度和介质传输率的估计已进行了大量研究。本文从新的角度提出一种简单但有效的基于区间估计的单幅图像快速去雾方法。该方法从大气散射模型出发,首先,通过对大气光强度和介质传输率取值范围的讨论,减小区间估计的范围。其次,通过快速联合双边滤波和中值滤波对介质传输率进行边缘优化,并利用大气光强度与暗通道差值绝对值大小对介质传输率中明亮区域进行判断和修正。最后,通过色调调整对复原图像进行整体优化。实验结果表明,与几种典型的图像去雾方法比较,本文方法明显提高了算法运算速度,并获得了较好的复原效果。     

SAR图像小波域隐Markov模型中状态参数的Turbo迭代估计

利用小波域隐Markov模型能够有效地改善合成孔径雷达(SAR)图像信息提取的效果,而乘性斑点噪声影响下的隐状态的估计是其中的关键问题,目前该问题还没有得到有效地解决.借用信息论领域中的Turbo迭代译码原理,针对SAR图像信号,提出一种新的隐状态的Turbo迭代估计方法.该方法在两个不相关的子空间上分别采用不同的约束条件对隐状态进行轮流地估计,并将其后验概率作为一种外信息进行交换.实验结果证明该方法具有优良的估计结果,并且收敛速度较快.     

（英）联合高分辨率光学和SAR数据的城市区域矩形建筑物检测与高度估计

提出了一种新的完整地利用高分辨率光学图像和SAR图像进行城市矩形建筑物检测和高度估计的方法.该方法充分利用了两种数据的互补性,由三个顺序执行的步骤组成: 首先对两种数据分别进行建筑物检测,然后基于一种整合的准则对两种图像进行配准,最后利用一种“假设生成-仿真-匹配”的方法对建筑物高度进行估计.该方法对部分遮掩的建筑物也能取得好的效果.对两个不同场景的测试验证了该方法的有效性.     

基于Fisher分布的极化合成孔径雷达统计建模及其参数估计方法

为更准确地描述高分辨极化合成孔径雷达(Synthetic Aperture Radar, SAR)图像的尖峰和长拖尾等统计分布特性, 提出了基于Fisher分布的极化图像多变量乘积模型, 并研究了其参数估计方法.首先给出了柯西分布相干斑噪声等效纹理分量的概率密度函数及其低阶矩特征;然后利用散射因子服从F分布的等效纹理变量与高斯散斑变量相乘形成的多变量乘积统计模型, 得到了Fisher分布模型的概率密度函数, 并推导了其多视协方差矩阵的概率密度函数和矩阵行列式值的低阶矩特征;最后提出了基于矩阵行列式值的矩估计和基于Mellin变换的对数累积量估计等两种参数估计方法, 并进行了对比, 同时通过仿真数据和实测数据验证了理论模型和新参数估计方法的有效性.这为高分辨极化SAR图像建模、目标检测和识别等领域的理论研究和工程实现提供了新途径.     

基于ganna分布模型的SAR图像目标识别方法研究

合成孔径雷达目标识别是目前世界上模式识别领域的重点研究课题之一,大体可分为两个部分的识别过程,即对目标姿态角的识别和对目标类型的识别。本文首先介绍了对SAR图像的增强算法,然后通过对基于模板与基于模型的识别方法的比较,将基于Radon变换的目标姿态角识别方法与基于gamma模型的SAR目标类型识别算法相结合,从而提出一种SAR目标识别的综合方法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

考虑空域分布多尺度信息熵的SAR图像模板匹配

图像的熵和多尺度熵仅考虑像素灰度分布而无视像素在空域分布的情况,基于此的图像匹配容易受噪声的影响而导致误配。为解决此问题,给出了一种空域分布多尺度信息熵(SDMSE),将图像像素在空域的分布与灰度空间分布结合起来,对不同的行或列求多尺度信息熵。在合成孔径雷达(SAR)图像匹配时,对输入图像和基准子图(基准图中和输入图尺寸一样的子图)求SDMSE矩阵,并通过求两矩阵的相似性来度量匹配程度,相似性最大的位置对应匹配点。仿真结果表明,所提匹配算法相比基于熵和多尺度熵的SAR匹配算法有更优异的噪声适应性,匹配误差更小,但计算耗时较多。在如何减少计算时间方面也做了尝试,实验表明尺度个数减少可以大幅减少计算时间而抗噪声性能并没有明显降低。     

基于SVM模型的单目红外图像深度估计

提出一种通过非线性学习模型来估计单目红外图像深度的算法。该算法首先通过逐步线性回归和独立成分分析(ICA)寻找对于红外图像深度相关性较强的特征,然后以具有核函数的非线性支持向量机(SVM)为模型基础,采用监督学习的方法对红外图像深度特征进行回归分析并训练,在训练过程中通过已知数据回归后的最小均方误差对模型参数进行修正,训练后的模型可对单目红外图像的深度分布进行估计。实验结果证明,利用该模型能较一致地估计单目红外图像的深度信息。     

利用最小冗余最大相关和SVM的SAR图像海上溢油识别

近年溢油事故频发,海洋污染日益严重。利用合成孔径雷达（SAR）卫星可以有效跟踪由海上溢油事故导致的油膜扩展情况。利用最大冗余最小相关-支持向量机（mRMR_SVM）算法进行SAR图像溢油识别,为溢油事故决策支持提供重要前提。首先采用mRMR提取最优特征向量集,对输入值进行降维; 然后采用SVM算法解决油膜图像分类问题,同时选择径向基函数（RBF）为核函数;使用训练集训练该模型,调整模型参数;以测试集特征向量作为输入,利用训练好的模型进行溢油识别。实验结果表明,mRMR_SVM模型对SAR图像的油膜和类油膜识别有效,准确率为96.875%.